Desenvolvimento e Análise de Descritores Geométricos para Reconhecimento de Padrões

  • Paulo N. S. do Carmo UFMA
  • Wener B. de Sampaio UFMA

Resumo


Em Processamento Digital de Imagens e Visão Computacional os descritores são frequentemente usados para extrair características de imagens. Este trabalho faz uso de técnicas de processamento digital de imagens para propor novos descritores geométricos invariantes à escala, rotação e translação. Os mesmos são utilizados para o treinamento de algoritmos de aprendizado de máquinas, onde os testes apresentaram resultados promissores que alcançaram a classificação correta de 99,58% dos casos de estudo.

Palavras-chave: Processamento digital de imagens, visão computacional, aprendizagem de máquina

Referências

Akimaliev, M. and Demirci, M. F. (2015). Improving skeletal shape abstraction using multiple optimal solutions. Pattern Recognition, 48(11):3504–3515.

Breiman, L. (2001). Random forests. In Schapire, R. E., editor, Machine learning, volume 45, pages 5–32. Springer.

Carlier, A., Leonard, K., Hahmann, S., Morin, G., and Collins, M. (2016). The 2d shape structure dataset: A user annotated open access database. Computers & Graphics, 58:23–30.

Cristianini, N. and Shawe-Taylor, J. (2000). An introduction to support vector machines and other kernel-based learning methods. Cambridge university press.

Deldjoo, Y., Elahi, M., Quadrana, M., and Cremonesi, P. (2018). Using visual features based on mpeg-7 and deep learning for movie recommendation. International journal of multimedia information retrieval, 7(4):207–219.

Deldjoo, Y., Quadrana, M., Elahi, M., and Cremonesi, P. (2017). Using mise-en-scnene visual features based on mpeg-7 and deep learning for movie recommendation. arXiv preprint arXiv:1704.06109.

Faceli, K., Lorena, A. C., Gama, J., and Carvalho, A. (2011). Inteligência artificial: Uma abordagem de aprendizado de máquina. Rio de Janeiro: LTC, 2:192.

Gonzalez, R. C. and Woods, R. E. (2007). Digital Image Processing. Ed III. Pearson Education Asia, New Delhi.

Haykin, S. (2007). Redes neurais: princípios e pr´atica. Ed. II. Bookman Editora, São Paulo

Khalid, S., Sabir, B., Jabbar, S., and Chilamkurti, N. (2017). Precise shape matching of large shape datasets using hybrid approach. Journal of Parallel and Distributed Computing, 110:16–30.

Kohavi, R. et al. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. In Ijcai, volume 14, pages 1137–1145. Stanford, CA.

Kov´acs, Z. L. (2002). Redes neurais artificiais: Fundamentos e aplicação. Ed. IV. Editora Livraria da Fisica, São Paulo.

Le Cessie, S. and Van Houwelingen, J. C. (1992). Ridge estimators in logistic regression. Applied statistics, pages 191–201.

Majidpour, J., Khezri, E., Hassanzade, H., and Mohammed, K. S. (2015). Interactive tool to improve the automatic image annotation using mpeg-7 and multi-class svm. In 2015 7th Conference on Information and Knowledge Technology (IKT), pages 1–7.

Sampaio, W. B. (2015). Detecc¸ ˜ao de massas em imagens mamogr´aficas usando uma metodologia adaptada `a densidade da mama. Tese de doutorado - programa de p´osgraduação em engenharia de eletricidade, PPGEE, Universidade Federal do Maranh˜ao.

Toussaint, G. (1974). Bibliography on estimation of misclassification. IEEE Transactions on information Theory, 20(4):472–479.
Publicado
25/09/2019
DO CARMO, Paulo N. S.; DE SAMPAIO, Wener B.. Desenvolvimento e Análise de Descritores Geométricos para Reconhecimento de Padrões. In: ESCOLA REGIONAL DE COMPUTAÇÃO DO CEARÁ, MARANHÃO E PIAUÍ (ERCEMAPI), 7. , 2019, São Luís/MA. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2019 . p. 79-86.